Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1

Протестовано геліоцентричну гіпотезу причин спалахів лісових пожеж. Знайдено докази кореляції між раптовим надходженням заряджених частинок з боку сонця і виникненням лісових пожеж із затримкою від одного до чотирьох днів. Проведено порівняльний аналіз методів ANFIS та нейронних мереж у задачі пошук...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2014
Автори:	Радовановіч, М., Виклюк, Я.І., Міленковіч, М., Йовановіч, А., Вуковіч, Д., Стеванчевіч, М., Мацюк, Н.О., Леко, Т.Б.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2014
Назва видання:	Системні дослідження та інформаційні технології
Теми:	Математичні методи, моделі, проблеми і технології дослідження складних систем
Онлайн доступ:	http://dspace.nbuv.gov.ua/handle/123456789/86117
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1 / М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко // Системні дослідження та інформаційні технології. — 2014. — № 4. — С. 111-120. — Бібліогр.: 37 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-86117
record_format	dspace
spelling	irk-123456789-861172015-09-09T03:02:00Z Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1 Радовановіч, М. Виклюк, Я.І. Міленковіч, М. Йовановіч, А. Вуковіч, Д. Стеванчевіч, М. Мацюк, Н.О. Леко, Т.Б. Математичні методи, моделі, проблеми і технології дослідження складних систем Протестовано геліоцентричну гіпотезу причин спалахів лісових пожеж. Знайдено докази кореляції між раптовим надходженням заряджених частинок з боку сонця і виникненням лісових пожеж із затримкою від одного до чотирьох днів. Проведено порівняльний аналіз методів ANFIS та нейронних мереж у задачі пошуку функціональної залежності між виникненням лісових пожеж і факторами, що характеризують сонячну активність. Використано декілька методів аналізу (методи усунення сезонності, R/S-аналіз, DataMining) для встановлення потенційних зв’язків між коливаннями певних параметрів, що характеризують сонячну активність, і виникненням лісових пожеж з урахуванням затримки в часі. Знайдено наявність взаємозв’язку і розроблено прогностичний сценарій, який засновано на ANFIS та нейромережевих технологіях. Ці методи, в деяких випадках, дозволяють досягнути точності прогнозування до 93%. Протестирована гелиоцентрическая гипотеза причин вспышек лесных пожаров. Найдены доказательства корреляции между внезапным поступлением заряженных частиц от солнца и возникновением лесных пожаров с задержкой от одного до четырех дней. Проведен сравнительный анализ методов ANFIS и нейронных сетей в задаче поиска функциональной зависимости между возникновением лесных пожаров и факторами, характеризующими солнечную активность. Использованы несколько методов анализа (методы устранения сезонности, R/S анализ, DataMining) для установления возможных связей между колебаниями определенных параметров, характеризующих солнечную активность, и возникновением лесных пожаров с учетом задержки во времени. Обнаружено наличие взаимосвязи и разработан прогностический сценарий, основанный на ANFIS и нейросетевых технологиях. Эти методы, в некоторых случаях, позволяют достичь точности прогнозирования до 93%. The heliocentric hypothesis of causes of forest fires outbreaks has been tested. We found evidence of correlation between the sudden arrival of charged particles from the Sun and the occurrence of forest fires with a delay of one to four days. In this research, the comparative analysis was made between ANFIS and Neuron Networks in the task of searching a functional dependence between the occurrence of forest fires and the factors which characterize the solar activity. For this purpose, we used several methods (R/S analysis, Hurst index, DataMining) for establishing potential links between the influx of some parameters from the Sun and the occurrence of forest fires with lag of several days. We found an evidence for a connection and developed a forecasting scenario based on the ANFIS and Neuron Network techniques. This scenario, in some cases, allows to predict occurrences of forest fires with up to 93% accuracy 2014 Article Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1 / М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко // Системні дослідження та інформаційні технології. — 2014. — № 4. — С. 111-120. — Бібліогр.: 37 назв. — укр. 1681–6048 http://dspace.nbuv.gov.ua/handle/123456789/86117 004.8 uk Системні дослідження та інформаційні технології Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Ukrainian
topic	Математичні методи, моделі, проблеми і технології дослідження складних систем Математичні методи, моделі, проблеми і технології дослідження складних систем
spellingShingle	Математичні методи, моделі, проблеми і технології дослідження складних систем Математичні методи, моделі, проблеми і технології дослідження складних систем Радовановіч, М. Виклюк, Я.І. Міленковіч, М. Йовановіч, А. Вуковіч, Д. Стеванчевіч, М. Мацюк, Н.О. Леко, Т.Б. Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1 Системні дослідження та інформаційні технології
description	Протестовано геліоцентричну гіпотезу причин спалахів лісових пожеж. Знайдено докази кореляції між раптовим надходженням заряджених частинок з боку сонця і виникненням лісових пожеж із затримкою від одного до чотирьох днів. Проведено порівняльний аналіз методів ANFIS та нейронних мереж у задачі пошуку функціональної залежності між виникненням лісових пожеж і факторами, що характеризують сонячну активність. Використано декілька методів аналізу (методи усунення сезонності, R/S-аналіз, DataMining) для встановлення потенційних зв’язків між коливаннями певних параметрів, що характеризують сонячну активність, і виникненням лісових пожеж з урахуванням затримки в часі. Знайдено наявність взаємозв’язку і розроблено прогностичний сценарій, який засновано на ANFIS та нейромережевих технологіях. Ці методи, в деяких випадках, дозволяють досягнути точності прогнозування до 93%.
format	Article
author	Радовановіч, М. Виклюк, Я.І. Міленковіч, М. Йовановіч, А. Вуковіч, Д. Стеванчевіч, М. Мацюк, Н.О. Леко, Т.Б.
author_facet	Радовановіч, М. Виклюк, Я.І. Міленковіч, М. Йовановіч, А. Вуковіч, Д. Стеванчевіч, М. Мацюк, Н.О. Леко, Т.Б.
author_sort	Радовановіч, М.
title	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1
title_short	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1
title_full	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1
title_fullStr	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1
title_full_unstemmed	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1
title_sort	концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу datamining. частина 1
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
publishDate	2014
topic_facet	Математичні методи, моделі, проблеми і технології дослідження складних систем
url	http://dspace.nbuv.gov.ua/handle/123456789/86117
citation_txt	Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1 / М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко // Системні дослідження та інформаційні технології. — 2014. — № 4. — С. 111-120. — Бібліогр.: 37 назв. — укр.
series	Системні дослідження та інформаційні технології
work_keys_str_mv	AT radovanovíčm konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina1 AT viklûkâí konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina1 AT mílenkovíčm konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina1 AT jovanovíča konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina1 AT vukovíčd konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina1 AT stevančevíčm konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina1 AT macûkno konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina1 AT lekotb konceptualʹnemodelûvannâspalahívlísovihpožežnaosnovíontologíčnogopídhodudataminingčastina1
first_indexed	2025-07-06T13:32:40Z
last_indexed	2025-07-06T13:32:40Z
_version_	1836904623664791552
fulltext	 М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко, 2014 Системні дослідження та інформаційні технології, 2014, № 4 111 TIДC МАТЕМАТИЧНІ МЕТОДИ, МОДЕЛІ, ПРОБЛЕМИ І ТЕХНОЛОГІЇ ДОСЛІДЖЕННЯ СКЛАДНИХ СИСТЕМ УДК 004.8 КОНЦЕПТУАЛЬНЕ МОДЕЛЮВАННЯ СПАЛАХІВ ЛІСОВИХ ПОЖЕЖ НА ОСНОВІ ОНТОЛОГІЧНОГО ПІДХОДУ DATAMINING. ЧАСТИНА 1 М. РАДОВАНОВІЧ, Я.І. ВИКЛЮК, М. МІЛЕНКОВІЧ, А. ЙОВАНОВІЧ, Д. ВУКОВІЧ, М. СТЕВАНЧЕВІЧ, Н.О. МАЦЮК, Т.Б. ЛЕКО Протестовано геліоцентричну гіпотезу причин спалахів лісових пожеж. Знай- дено докази кореляції між раптовим надходженням заряджених частинок з бо- ку сонця і виникненням лісових пожеж із затримкою від одного до чотирьох днів. Проведено порівняльний аналіз методів ANFIS та нейронних мереж у за- дачі пошуку функціональної залежності між виникненням лісових пожеж і фак- торами, що характеризують сонячну активність. Використано декілька методів аналізу (методи усунення сезонності, R/S-аналіз, DataMining) для встановлення потенційних зв’язків між коливаннями певних параметрів, що характеризують сонячну активність, і виникненням лісових пожеж з урахуванням затримки в часі. Знайдено наявність взаємозв’язку і розроблено прогностичний сцена- рій, який засновано на ANFIS та нейромережевих технологіях. Ці методи, в деяких випадках, дозволяють досягнути точності прогнозування до 93%. ВСТУП Лісові пожежі є важливою екологічною проблемою, особливо тому, що аде- кватних заходів їх запобігання не існує, точніше, здатності запобігти поши- ренню вогню. Немає спільної думки про походження багатьох лісових по- жеж. Згідно аналізу даних FAO, в Європі на період з 1999 по 2001 рік зареєстровано 42,7 % випадків виникнення пожеж, причини яких невідомі [1]. Як показано в роботі [2], в середньому причинами спалахів загальної кількості лісових пожеж у країнах Балканського півострова на період з 1988 по 2004 рік є людський фактор (58,8 %), 3,3 % — природний фактор; 37,9 % — мають невідоме походження. Найбільший відсоток виникнення пожеж люд- ського походження було зафіксовано в Хорватії (75,3 %), а найменший — в Болгарії (30,4 %). З іншої сторони, Болгарія має найбільший відсоток неві- домих причин виникнення лісових пожеж (67,9 %). Загальна кількість лісових пожеж, зафіксованих у Португалії, склала 25221 в 2011 році, при чому 40 % зафіксованих випадків — пожежі з неві- домих причин, а у Німеччині з 888 пожеж у тому ж році — 48 %. З іншого боку, в Угорщині причиною 95 % пожеж є діяльність людини. В цілому, М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 112 дослідження щодо лісових підпалів у 2011 році здійснювалося Територіаль- ним Гарнізоном італійського лісового корпусу, в результаті чого відбулися судові засідання над 455 людьми, в тому числі 9 з них було заарештовано або взято під варту за звинуваченням у скоєні підпалу лісу. Загальна кіль- кість лісових пожеж, зафіксованих в Італії у 2011 році, склала 8181 [3]. Джерела, з яких було завантажено дані для вивчення (число пожеж у США), показують, що всі пожежі, які сталися, належать до людської діяльності (85,5%) або удару блискавки (14,5%). Відомо, що блискавка може бути також важливим фактором, яка спричиняє виникнення пожежі [4]. Тим не менш, існують багато інших гіпотез. Адже блискавки, в основному, з’являються з появою опадів, а кількість опадів у таких ситуаціях визначає, чи вогонь поширюватиметься чи згасне [5]. Однак, відсутність більш деталь- них досліджень на цю тему залишає відкритим наступне питання: в якій мірі електричні розряди відіграють роль у початковій фазі явища пожежі? В роботі [6] стверджується: «В період з 1990 по 1998 рік в Арізоні і Нью- Мексико на федеральній землі США під час пожежонебезпечного сезону з квітня по жовтень спостерігалося більше 17 000 природніх пожеж. Удари блискавок, пов’язаних з цими пожежами, склали менше, ніж 0,35% усіх за- реєстрованих випадків загоряння, що сталися під час пожежонебезпечного сезону протягом цього часу». Згідно з [7], у період з 1961 по 1993 рік у змішаних лісах у провінції Альберта (Канада) %6,67 пожеж були спричинені блискавками. Останні дослідження показали, що блискавки є причиною майже 2/1 аналізованих випадків спалахів лісових пожеж. У Канаді за період з 1991 по 2000 рік з близько 8000 лісових пожеж, що сталися за рік, для 48 % випадків причи- ною займання стала блискавка [8]. В роботі [9] висунуто гіпотезу, що в За- хідному Сибіру майже всі пожежі викликані блискавками. Отже, можна прийти до висновку, що наявні дані в науковій літературі про вплив блиска- вок на спалахи лісових пожеж є суперечливими. Як відомо, існує прямий зв’язок між відносно високими температурами повітря і географічним розташуванням пожежі, але цей факт також не має достатнього пояснення. Добре відомо, що необхідно, як мінімум, 300°С для згаданої початкової фази пожежі [10]. Варто відзначити, що таку високу тем- пературу повітря ніколи не було зафіксовано на Землі за допомогою стан- дартних метеорологічних пристроїв, навіть у випадку дослідження темпера- тури ґрунту. Ґрунтуючись на цих результатах, можна побачити, що відсоток пожеж, спричинений людським фактором, є невеликим. Згідно аналізу літературних джерел, відсоток непояснених причин пожеж варіюється від ~ 43% випадків до 95% (у випадку Угорщини). Дані, які свідчать, що удари блискавок є причинами пожеж, також суперечливі. Відсотки коливаються від 0,35% у випадку Арізони і Нью-Мексико до майже 100% у Західному Сибіру. При- пущення, що звичайними явищами ми можемо пояснити більшість пожеж, приведено в роботі [11]: «Крім того, ми виявили, що, при відносно великих просторових і часових масштабах (тобто, штати і століття), зміна частоти та місцерозташування пожеж практично не залежать від місцевих факторів, таких як тип рослинності, рельєф, випас худоби і підпали». Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу … Системні дослідження та інформаційні технології, 2014, № 4 113 Беручи до уваги результати, представлені в роботі [12], було висунуто «геліоцентричну гіпотезу», згідно якої лісові пожежі без встановлених при- чин виникають у результаті масового спалювання рослин під дією зарядже- них частинок, що приходять до нас від сонця. Припущено, що місцерозта- шування джерела пожежі корелює з раптовим надходженням зазначених частинок до нашої планети. Мета роботи — встановлення в рамках геліоцентричної гіпотези функ- ціональної залежності між кількістю лісових пожеж та характеристиками сонячної активності за допомогою методів SoftComputing, таких як R/S-аналіз, ANFIS та нейронні мережі. МАТЕРІАЛИ І МЕТОДИ Для перевірки гіпотези використовувались статистичні дані по США. Такий вибір обґрунтовується наявністю великого обсягу статистичних даних про пожежі на відносно великій площі і на щоденній основі. У дослідженні ви- користовувались дані з травня по жовтень 2004–2007 рр. Дані про лісові пожежі містяться на сайті [13]. Інформацію про кількість нових невеликих пожеж ( smallF ), а також про нові великі пожежі ( largeF ), було використано як вихідні параметри моделей. Відповідно до цього джерела, існують великі (значні) пожежі: які перевищують 300 акрів трави або 100 акрів лісу. Дані про потік протонів, електронів і сонячного потоку розміщено на сайті [14]. Дані про швидкість сонячного вітру (км/с), розміщено на сайті [15]. У роз- рахунках використовувались максимальні значення на щоденній основі. Отже, вхідні параметри (показники сонячної активності) були обрані на- ступним чином: 1X — потік протонів 1 МеВ; 2X — потік протонів 10 МеВ; 3X — потік протонів 100 МеВ; 4X — потік електронів 6,0 МеВ; 5X — потік електронів 2 МеВ; 6X — індекс F10.7 (міра рівня шуму, генерованого сонцем на довжині хвилі 10,7 см на орбіті Землі); 7X — швидкість сонячного вітру. Випромінювання Сонця в радіодіапазоні довжин хвиль пов’язане, на- самперед, з корональною плазмою в пастці магнітних полів, розміщених в активній області. Це чудовий показник загального рівня сонячної активно- сті. Важливо відзначити, що дані, пов’язані з сонячною активністю, заван- тажуються з ACE супутника, який знаходиться між Землею і Сонцем. Попе- редні дослідження показали, що в певних ситуаціях існують невеликі причинно-наслідкові зв’язки між різким припливом протонів і/або електро- нів та виникненням пожежі на відносно великих площах [16−18]. Врахову- ючи, що деякі райони можуть бути під впливом обох типів заряджених час- тинок, або одного з них, )( 6X та )( 7X було обрано в якості показників сонячної активності. Навчальний період відноситься до останньої фази со- нячного циклу — 23. У квітні 2008 року сонячна активність була мінімаль- ною, отже в роботі була проаналізована ситуація, що характеризується три- валим спадом сонячної активності. Як видно з рис. 1 (а, б), на графіках спостерігаються циклічні спалахи пожеж smallF та largeF . Це пов’язано із сезонним підняттям температури М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 114 у літні періоди. Крім цього, можна побачити, що протягом всього досліджу- ваного періоду на фоні сезонних коливань спостерігаються раптові спалахи лісових пожеж. Інтенсивність їх виникнення не залежить від часу. Саме ці спалахи можуть бути пов’язані із сонячною активністю. Тому слід спочатку позбутись сезонної компоненти шляхом розкладання часових рядів smallF та largeF на компоненти з використанням адитивної моделі. Адитивна ча- сова модель у нашому випадку має вигляд [19]:  )large(small)large(small TF )large(small)large(small ~FS  , де njjtT ,1 )large(small)large(small }{  — трендова ком- понента кількості малих (великих) пожеж; n — кількість спостережень (у нашому випадку 710n — днів у період з травня по жовтень 2004–2007 рр.); njjsS ,1 )large(small)large(small }{  — сезонна компонента — кількість малих (великих) пожеж, що пов’язані з підвищенням (зниженням) температури протягом року або із впливом туристів на появу лісових пожеж; njjfF ,1 )large(small)large(small }~{~  — флуктуаційна компонента, що пов’язана з такими параметрами, як, наприклад, сонячна активність. Видаливши се- зонну складову та тренд, отримано часові ряди для дослідження впливу со- нячної активності на виникнення малих і великих лісових пожеж )large(small~F . Для цього було використано класичний метод індексів сезонності [20]. Ме- тодика видалення сезонної та трендової складової полягає в таких діях. Крок 1. Згладжування часових рядів smallF та largeF за допомогою ковз- ної середньої. Крок 2. Розрахунок сезонної компоненти )large(smallS таким чином:  знаходження центрованої ковзної середньої. Цей крок необхідний через зміщення отриманих значень середнього арифметичного щодо реаль- них значень часового ряду;  розрахунок корегувального коефіцієнта, що передбачає — сума всіх індексів сезонності має дорівнювати нулю. Таким чином сезонні ефекти для всього річного циклу компенсують один одного в адитивній моделі. 0 100 200 300 400 500 600 700 -10 0 10 20 30 period (days) c) th e nu m b er o f f ir es 0 100 200 300 400 500 600 700 0 6 12 18 24 30 th e n u m b er o f f ire s a) period (days) а в 0 100 200 300 400 500 600 700 -200 0 200 400 600 800 1000 d) th e n u m b er o f f ire s period (days) 0 100 200 300 400 500 600 700 0 200 400 600 800 1000 b) th e n um be r o f f ir es period (days) б г Рис. 1. Кількість великих (а), (в) і невеликих (б), (г) пожеж. Реальні дані (а), (б); дані з усунутою сезонною складовою (в), (г) Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу … Системні дослідження та інформаційні технології, 2014, № 4 115 Значення сезонної компоненти, отримані таким чином, представляють відношення кількості пожеж у той чи інший день року до середнього числа пожеж за рік. Отже, були отримані як позитивні, так і негативні значення компонент часових рядів. Крок 3. Видалення сезонної компоненти з вихідних часових рядів. Та- ким чином, отримано часові ряди числа лісових пожеж без сезонних впливів: )large(small)large(small)large(small)large(small)large(small ~ˆ FTSFF  . Крок 4. Видалення трендової компоненти з )large(smallF̂ методом най- менших квадратів [21]. Таким чином було отримано часові ряди ,~ )large(smallF які використовувались для ідентифікації функціональної залежності між со- нячною активністю і появою лісових пожеж. Для перевірки гіпотези наявності функціональної залежності між ком- понентами сонячної активності та спалахами лісових пожеж було проведено кореляційний аналіз між параметрами iX та кількістю пожеж )large(small~F з урахуванням часу затримки (лагу) між настанням пожеж і сонячною активністю. Результати цього аналізу показані в табл. 1. Як можна побачи- ти, будь-який коефіцієнт кореляції не перевищує 0,2. Це означає, що немає ніяких лінійних зв’язків між згаданими факторами. Тому варто застосовува- ти методи нелінійного аналізу, щоб перевірити гіпотезу про функціональний взаємозв’язок між виникненням пожеж і сонячною активністю. Т а б л и ц я 1 . Коефіцієнти кореляції між вхідними ,( iX )7,1i і вихідними )~( )large(small LF параметрами залежно від лагу 5,0L Вхідні параметри Кількість пожеж 1X 2X 3X 4X 5X 6X 7X large 0 ~F –0,02 0,01 0,00 0,04 –0,02 –0,15 0,05 large 1 ~F –0,04 –0,03 –0,01 0,02 –0,04 –0,16 0,04 large 2 ~F –0,04 –0,02 –0,02 0,00 –0,02 –0,17 0,02 large 3 ~F –0,04 –0,03 –0,03 –0,01 –0,02 –0,18 0,02 large 4 ~F –0,05 –0,03 –0,03 –0,01 –0,02 –0,18 0,02 large 5 ~F –0,02 –0,02 –0,02 0,01 –0,04 –0,19 0,02 small 0 ~F –0,02 –0,01 –0,01 0,03 –0,02 0,09 –0,04 small 1 ~F 0,01 0,01 –0,01 0,00 –0,02 0,09 –0,03 small 2 ~F –0,02 0,02 0,01 0,00 –0,01 0,07 –0,03 small 3 ~F –0,04 –0,02 0,03 0,01 0,02 0,07 –0,02 small 4 ~F –0,05 –0,04 0,01 0,01 0,04 0,07 –0,07 small 5 ~F –0,03 –0,03 –0,02 0,00 0,03 0,05 –0,07 R/S -АНАЛІЗ Для визначення ступеня стохастичності часових рядів вхідних і вихідних параметрів було використано SR / -аналіз [22–24]. SR / -аналіз дозволяє М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 116 встановити факт наявності довгострокової пам’яті у часових рядів. Для цьо- го було використано таке співвідношення [25]: ,/ HncSR  (1) де SR / — нормований розмах, тобто відношення часткових сум відхилень часових рядів від його середнього, масштабований за допомогою стандарт- ного відхилення, c — константа, H — коефіцієнт Херста. Це рівняння було розв’язане для кожної із змінних iX й вихідних ча- сових рядів large~F та small~F . У цій роботі наведено приклад аналізу elF arg~ . Інші часові ряди аналізуються аналогічно. Спочатку часовий ряд elF arg~ з довжиною n перетворюється на послідов- ність 1,1}{  njjfF , де           large 1 large ~ ~ ln j j j f f f . Після цього цей часовий ряд розділяється на A суміжних підперіодів з довжиною .l Кожен півперіод позначено ,aL ;,1 Aa  кожний елемент підперіоду — klaf  )1( , .,1 lk  Тоді для кожного підперіоду визначається середнє значення    l k kla a f l f 1 )1( 1 й величина накопичених сум:                                                 l k a klaa l k a klaa a ffffR 1 )1( 1 )1( minmax . Стандартне відхилення aS для кожного підперіоду визначається як .1 1 2 )1(         l k a kla a ff l S (2) Кожна величина накопичених сум aR нормалізується шляхом ділення її на відповідне стандартне відхилення .aS Тоді середнє значення lSR )/( для підперіоду довжиною l матиме вигляд:      A a a a l S R A SR 1 1/ . (3) Аналогічні розрахунки проводяться збільшуючи довжини підперіодів з l до .2/)1( n Коефіцієнт Херста )( lH визначається шляхом розв’язання рівняння лінійної регресії у логарифмічному поданні: .)(log)(log))/((log lHcSR ll  (4) Значення коефіцієнта Херста інтерпретуються наступним чином [26]:  якщо ,5,0H то часові ряди є стохастичними («білий шум»);  якщо ,15,0  H то часовий ряд характеризується персистентністю, тобто властивістю тривалої пам’яті («чорний шум»); Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу … Системні дослідження та інформаційні технології, 2014, № 4 117  якщо ,5,00  H то часові ряди є антиперсистентні, тобто часовий ряд змінюється швидше, ніж у випадку випадкового процесу («рожевий шум»). Використання критеріїв персистентності чи антиперсистентності часо- вих рядів дозволяє прогнозувати розвиток досліджуваного часового ряду у відносно простій формі на базі своєї історії. На основі коефіцієнту Херста було розраховано інший показник — фрактальна розмірність :D .2 HD  (5) Фрактальна розмірність є кількісною характеристикою, яка характери- зує зміну графіка часового ряду залежно від масштабу, тобто ступінь само- подібності. Результати цих обчислень наведено в табл. 2. Як видно з табл. 2, середнє значення коефіцієнтів Херста для 51X є близьким до 0,5. Це озна- чає, що ці часові ряди описують випадкові процеси. Таблиця 2. Результати SR / -аналізу для часових рядів Змінна X1 X2 X3 X4 X5 X6 X7 small~F large~F Коефіцієнт Херста 0,58 0,56 0,49 0,56 0,55 0,92 0,69 0,72 0,93 Фрактальна розмірність 1,42 1,44 1,51 1,44 1,45 1,08 1,31 1,28 1,07 На відміну від них, коефіцієнт Херста, що знаходиться у межах 0,69 – 0,72 (для ,7X small~F ) та 0,92–0,93 (для ,6X large~F ), означає, що для цих ча- сових рядів зміна значень факторів залежить від попередніх періодів. Таке значення коефіцієнту Херста для ,, 76 XX ,~smallF large~F означає, що ці про- цеси є фракталами і для їх дослідження не може бути використано класичну лінійну статистику. Подібність величини фрактальної розмірності (5) для 7X — small~F та 6X — large~F означає наявність однакових правил у зміні структури графіку часового ряду в залежності від масштабу. Таким чином, можна висунути гіпотезу, що вищезазначені пари часових рядів або строго залежать від однакових «третіх» факторів, або залежні один від одного [27]. У цьому випадку необхідно застосувати методи нелінійної алгебри для встановлення функціональної залежності. Задача пошуку прихованих залеж- ностей у великих базах даних відноситься до задач DataMining. Тому в ро- боті було досліджено та проведено порівняльний аналіз моделей на основі гібридних нейронних мереж ANFIS та багатошарових нейронних мереж. У загальному випадку, задача зводиться до знаходження залежності у вигляді: )large(small 71 )large(small ~: FXXM  . Для врахування часової затримки (lag), було сформовано дві навчальні множини у вигляді кортежів:   , ~,,..., ,1 small ,1,1small nj jLjLj fxxTr   (6)   , ~,,..., ,1 large ,1,1large nj jLjLj fxxTr   (7) М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 118 де L — lag, jix , — нормовані компоненти часових рядів ,iX          )(min)(max )(min, , ii iji ji XX Xx x . Необхідність нормалізації всіх вхідних параметрів зумовлено значною різницею між абсолютними значеннями minmax компонентів окремих вхідних векторів, що можуть змінюватися від одного до п’яти порядків (на- приклад iX і .)6X Також наявною є велика різниця між абсолютними зна- ченнями різних вхідних векторів. Наприклад: ,10)(max)(max 11 64  XX 8 64 10)(min)(min  XX (табл. 3). Комп’ютерний розрахунок без нормалі- зації цих даних призводить до значних помилок заокруглення, що повністю нівелює адекватність моделі [28−37]. Т а б л и ц я 3. Статистичні характеристики вхідних та вихідних параметрів Статистичні характе- ристики Параметри моделі X1 X2 X3 X4 X5 X6 X7 smal~F large~F Max 1100000000 74000000 500000 180000000000 9300000000 175 1005 996 32 Min 55000 11000 2100 230000000 650000 65 276 –121 –12 Average 8523106 404424 5487 21438042254 182332930 87 478 144 4 Average of iX 0,008 0,005 0,007 0,118 0,020 0,200 0,276 – – Для визначення часової затримки між спалахами на сонці та настанням пожеж було створено по 6 навчальних вибірок для побудови моделей як для малих лісових пожеж, так і для великих, при 5,0L ( )large(small~ jf ),...,( ,7,1 )large(small LjLj xxM L  ). Для кожної з вибірок проводилось навчання окремої нейронної мережі. Після чого проводився аналіз точності для кож- ного лагу окремо. Це дало змогу визначити найкращу модель та затримку між подіями (в наближенні однакового лагу для всіх вхідних параметрів). Результати дослідження в рамках геліоцентричної гіпотези та порів- няльний аналіз отриманих моделей методами нейронних мереж та ANFIS буде наведено в другій частині роботи. ЛІТЕРАТУРА 1. Radovanovic M., Gomes J. Solar Activity and Forest Fires. — Nova Science Pub- lishers Inc, 2009. — 109 p. 2. Nikolov N. Global Forest Resources Assessment 2005 – Report on fires in the Balkan Region. Forestry Department / N. Nikolov, Fire Management Working Papers FM/11/E, Rome, 2006. — 38 p. Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу … Системні дослідження та інформаційні технології, 2014, № 4 119 3. Forest Fires in Europe, Middle East and North Africa 2011. [ G. Schmuck, J. San- Miguel-Ayanz, A. Camia, et al.], Publication office of the European union, 2012. — 108 p. 4. Incident Management Situation Report Archives. — http://www.predictiveservices. nifc.gov/intelligence/archive.htm. 5. Kourtz P.H., Todd J.B. Predicting the daily occurrence of lightning-caused forest fires / Forestry Canada, Petawawa National Forestry Institute, Chalk River, On- tario. — Information Report PI-X-112, 1991. — 26 p. 6. Hall L.B. Precipitation associated with lightning-ignited wildfires in Arizona and New Mexico // Int. J. Wildland Fire. — 2007. — 16 (2). — P. 242–254. 7. Cumming S.G. Forest type and wildfire in the Alberta boreal mixedwood: What do fires burn? // Ecol. Appl. — 2001. — 11 (1). — P. 97–110. 8. Wotton M.B., StockAn J.B., Martell L.D. An index for tracking sheltered forest floor moisture within the Canadian Forest Fire Weather Index Systemton // Int. J. Wildland Fire. — 2005. — 14(2). — P. 169–182. 9. Sannikov S.N., Zakharov A.I., Smol’nikova L.G., Sannikova N.S. Forest fires caused by lightning as an indicator of connections between atmosphere, lithosphere, and biosphere // Ekologiya. — 2010. — 41(1). — P. 1–6. 10. Viegas D.X. Forest fire propagation // Phil. Trans. R. Soc. London Ser. A. —1998. — P. 2907–2928. 11. Guyette P.R., Stambaugh C.M., Dey C.D., Muzika R.M. Predicting Fire Frequency with Chemistry and Climate Ecosystems // Ecosystems. — 2012. — 15(2). — P. 322–335. 12. Gomes J., Radovanovic M. Solar activity as a possible cause of large forest fires — а case study: Analysis of the Portuguese forest fires // Sci. Total Environ. — 2008. — 394 (1). — P. 197–205. 13. Incident Management Situation Report (IMSR) Archives. — http://www. predictive- services.nifc.gov/intelligence/archive.htm. 14. SWPC Anonymous FTP Server Historical SWP Products from 1996 to 2008. — http://www.swpc.noaa.gov/ftpmenu/warehouse.html. 15. MTOF/PM Data by Carrington Rotation. — http://umtof.umd.edu/pm/crn/. 16. Ducic V., Milenkovic M., Radovanovic M. Contemporary Climate Variability and Forest Fires in Deliblatska pescara // Journal of the Geographical institute Jovan Cvijic. — 2008. — 58 (1). — P. 59−74. 17. Radovanović M. Forest fires in Europe from July 22nd to 25th 2009 // Arch. Biol. Sci. Belgrade. — 2010. — 62 (2). — P. 419−424. 18. Radovanovic M. Solar Activity – Climate Change and Natural Disasters in Mountain Regions // Sustainable Development in Mountain Regions. Belgrade. — 2011. — P. 9−17. 19. Boxall M. ESS Guidelines on Seasonal Adjustment. Eurostat. — Luxembourg: Of- fice for Official Publications of the European Communities. — http://epp. euro- stat.ec.europa.eu/portal/page/portal/national_accounts/documents/ESS_Guide lines_on_SA.pdf. 20. Bell W.R. Economic Time Series: Modeling and Seasonality. [W.R. Bell, S.H. Holan, T.S. McElroy] CRC. — 2012. — 554 p. 21. Hansen B.E. Econometrics. University of Wisconsin, Department of Economics // Debopam Bhattacharya, Oxford. — 2014. — P. 378. 22. Labitzke K. The global signal of the 11-year sunspot cycle in the atmosphere: When do we need the QBQ? // Meteorolog. Zeitschrift. Berlin. — 2003. — 12(4). — P. 209−216. 23. Lenskiy A. The analysis of R/S estimation algorithm with applications to WiMAX network traffic // International Journal of Multimedia and Ubiquitous Engineer- ing. — 2012. — 7 (3). — P. 27−34. М. Радовановіч, Я.І. Виклюк, М. Міленковіч, А. Йовановіч, Д. Вуковіч, М. Стеванчевіч, Н.О. Мацюк, Т.Б. Леко ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 120 24. Velsquez Valle M.A., Oleschko L., Klaudia Corral, Ruiz J.A., Korvin Gabor. Spatial Variability of the Hurst Exponent for the Daily Scale Rainfall Series in the State of Zacatecas, Mexico // Journal of Applied Meteorology and Climatology. — 2013. — 52(12). — P. 2771−2780. 25. Ozger M. Prediction of ocean wave energy from meteorological variables by fuzzy logic modeling // Expert Systems with Applications. — 2011. — 38 (5). — P. 6269−6274. 26. Peters E., Wiley J. Fractal Market Analysis: Applying Chaos Theory to Investment and Economics // John Wiley & Sons, 1994. — 315 p. 27. Radovanović M., Vyklyuk Y., Jovanović A., Vuković D., Milenković M., Stevanče- vić M. Examination of the correlations between forest fires and solar activity us- ing Hurst index // Journal of the Geographical institute Jovan Cvijic SASA. — 2013. — 63 (3). — P. 23−32. 28. Amini M., Abbaspour K.C., Johnson C.A. A comparison of different rule-based statistical models for modeling geogenic groundwater contamination // Environmental Modelling Software. — 2010. — 25(12) — P. 1650−1657. 29. Bektas Ekici B., Teoman Aksoy U. Prediction of building energy needs in early stage of design by using ANFIS // Expert Systems with Applications. — 2011. — 38(5). — P. 5352−5358. 30. Betul Bektas Ekici, Teoman Aksoy U. An approach based on ANFIS input selection and modeling for supplier selection problem // Expert Systems with Applications. — 2011. — 38(12). — P. 14907−14917. 31. Kurtulus B., Flipo N. Hydraulic head interpolation using anfis — model selection and sensitivity analysis // Computers & Geosciences. — 2012. — 38(1). — P. 43−51. 32. Shiri J., Kisi O., Yoon H., Lee K. Predicting groundwater level fluctuations with me- teorological effect implications — A comparative study among soft computing techniques // Computers & Geosciences. — 2013. — 56. — P. 32−44. 33. Soltani F. Developing operating rules for reservoirs considering the water quality issues: Application of ANFIS-based surrogate models / F. Soltani, R. Kerachian, E. Shirangi // Expert Systems with Applications. — 2010. — 37(9). — P. 6639−6645. 34. Rowell A., Moore F., Peter F. Global Review of Forest Fires.; IUCN.Gland, Swet- zerland, 2000. — 64 p. 35. Mitra S.K. Is Hurst Exponent Value Useful in Forecasting Financial Time Series? // Asian Social Science. — 2012. — 8 (8). — P. 111–120. 36. Jyh-Shing Roger Jang, Chuen-Tsai Sun, Eiji Mizutani. Neuro-Fuzzy and Soft Com- puting: A Computational Approach to Learning and Machine Inteligence // Pren- tice Hall, 1997. — 614 p. 37. Yilmaz I., Kaynar O. Multiple regression, ANN (RBF, MLP) and ANFIS models for prediction of swell potential of clayey soils // Expert Systems with Applications. — 2011. — 38 (5). — P. 5958−5966. Надійшла 02.06.2014

Концептуальне моделювання спалахів лісових пожеж на основі онтологічного підходу DataMining. Частина 1

Репозитарії

Схожі ресурси